球体深度：具有不同球形相机方向的深度估计方法的基准

根据球形图像进行可靠的深度估计对于机器人导航和沉浸式场景理解中的 360° 视觉至关重要。然而，机载球形相机可能会在现实世界的机器人平台中经历无意的姿态变化，再加上等距柱状投影固有的几何畸变，会显着影响深度估计的有效性。为了研究这个问题，引入了一种称为球体深度的新型公共基准，以可重复的方式系统地评估等距柱状图像的单目深度估计模型的鲁棒性。对相机姿态扰动进行模拟并用于评估流行的基于透视的模型 Depth Anything 以及球形感知模型（例如 Depth Anywhere、ACDNet、Bifuse++ 和 SliceNet）的性能。此外，为了确保跨模型进行有意义的评估，提出了一种基于深度校准的误差协议，使用每个模型的监督学习缩放因子将预测的相对深度值转换为度量深度值。实验表明，当观察到相机姿态相对于规范姿态的变化时，即使是明确设计用于处理球形图像的模型也会表现出显着的性能下降。完整的基准测试、评估协议和数据集分割已公开发布：https://github.com/sgazzeh/Sphere_depth